Аутстаффинг ML инженеров

ML-инженер с 3+ годами коммерческого опыта в computer vision, document AI и RAG-системах для EdTech, LegalTech и FinTech. Три направления экспертизы, которые редко встречаются вместе у одного специалиста.

ML-инженер с 4 годами коммерческого опыта в разработке production-пайплайнов на стыке классического NLP и LLM. Начинала с fine-tuning и оптимизации моделей мультиязычной классификации на базе XLM-RoBERTa (PyTorch, Hugging Face Transformers), затем развивала LL

Senior AI/ML-инженер с 4 годами коммерческого опыта. Специализируюсь на компьютерном зрении (CV), проектировании RAG-систем, оркестрации LLM-агентов и автоматизации. Вывожу AI-системы полного цикла в production — от потоковой обработки видео на GPU до интеграц

ML/AI-инженер с 5+ годами коммерческого опыта полного цикла: от проектирования нейросетевых архитектур и обучения моделей до вывода в production с жёсткими требованиями к latency и надёжности. Глубоко специализируюсь на двух направлениях — NLP/LLM (агентные си

Инженер по машинному обучению с более чем 5-летним опытом разработки AI-систем, с фокусом на агентных и мультиагетных системах, fine-tuning моделей под предметную область и автономных workflow на базе LLM. Разрабатывала production-решения в области ML с расшир

Опытный Machine Learning Engineer с сильной экспертизой в проектировании, разработке и внедрении end-to-end ML-систем. Глубокие знания в области классического машинного обучения, глубокого обучения и решений на базе LLM, включая RAG-пайплайны и мультиагентные

Опытный инженер с сильным бэкграундом в разработке и внедрении моделей машинного обучения. Обладает навыками работы с RAG и мультиагентными системами, умеет использовать облачные платформы для создания масштабируемых и надежных решений. Гибкий командный игрок,

ML/AI инженер с 5+ годами опыта в LLM, NLP, классическом ML, рекомендательных системах и построении продакшн-пайплайнов. Работал над нейросетями и ML-инфраструктурой в SberDevices, Яндекс Музыке и GraviLink.Разрабатывал LLM-ассистентов, RAG-системы, гибридные

Приоритетные направления работы: Ведение веб-проектов (архитектура, лидство, распределение ролей в команде, наставничество) Ведение ML проектов, ML-разработка (CV, NLP), внедрение ML решений в production. организация разметки данных на краудсорсинг платформах

Создал и вывел в продакшн полнофункциональную RAG-систему для крупного заказчика в EPAM — от подготовки данных и индексации до интеграции поиска и генерации ответов в рабочие процессы компании. Оптимизировал inference LLM-моделей, снизив стоимость облачных выч

Увеличил производительность CV-систем (FPS) до +50 % за счёт оптимизации inference (YOLOv8, TensorRT, ONNX). Повысил точность моделей компьютерного зрения до 92 % и отдельных CV-моделей на 15–20 %. Снизил latency инференса на 25 %, обеспечил обработку 5000+ за

Реализовал production-пайплайн сегментации повреждений аграрной техники в 4K-разрешении с F1-score 93.3% (ансамбль PIDNet + OneFormer, тайловая инференс-схема). Повысил качество моделей CV за счёт генерации синтетических данных (FLUX + LoRA): прирост F1 с 88%

Реализовал несколько production-систем на базе ML и Deep Learning (Computer Vision, LLM, ASR), включая рекомендательные системы, OCR и системы транскрибации. Разработал и внедрил LLM-решение для классификации и распознавания документов (Gemma-3-12B), ускорив о

Разработал и внедрил модели для диагностики возрастной макулярной дегенерации (OCT-изображения) с использованием SOTA-архитектур на PyTorch, адаптированных под задачу. Создал end-to-end CV-решения для промышленности и медицины (YOLOv8, ResNet, Autoencoder), вк

Разработал фреймворк для создания AI-агентов на базе LangGraph, обеспечив стабильное выполнение цепочек и удобную интеграцию с сервисами компании. Построил RAG-систему, повысив качество извлечения и точность ответов моделей на 35%. Реализовал и внедрил несколь

Проектировал и выводил в продакшен модели кредитного скоринга и прогнозирования дефолта, обеспечивая стабильность и соответствие требованиям риск-процессов. Формировал и поддерживал пайплайны подготовки данных, feature engineering и валидации моделей для стаби

Повысил эффективность работы поддержки примерно на 35% за счёт внедрения комплекса ML/NLP-решений: классификация обращений, кластеризация, извлечение сущностей. Улучшил качество семантического поиска по базе знаний примерно в 1,7 раза, разработав и внедрив RAG